سامانه اطلاعات مکانی
فاطمه بابایی؛ علیرضا وفائینژاد؛ علیرضا شریفی
چکیده
پیشینه و اهداف: باتوجهبه افزایش جمعیت، فشار بر منابع طبیعی، تغییرات اقلیمی و اهمیت روزافزون امنیت غذایی، پیشبینی دقیق عملکرد محصولات کشاورزی، بهویژه گندم، به یکی از موضوعات مهم پژوهشی تبدیل شده است. در سالهای اخیر، استفاده از دادههای سنجشازدور، اطلاعات اقلیمی و ویژگیهای خاک در کنار الگوریتمهای یادگیری ماشین، فرصتهای ...
بیشتر
پیشینه و اهداف: باتوجهبه افزایش جمعیت، فشار بر منابع طبیعی، تغییرات اقلیمی و اهمیت روزافزون امنیت غذایی، پیشبینی دقیق عملکرد محصولات کشاورزی، بهویژه گندم، به یکی از موضوعات مهم پژوهشی تبدیل شده است. در سالهای اخیر، استفاده از دادههای سنجشازدور، اطلاعات اقلیمی و ویژگیهای خاک در کنار الگوریتمهای یادگیری ماشین، فرصتهای جدیدی برای برآورد عملکرد محصول فراهم کرده است. بااینحال، بسیاری از پژوهشهای پیشین یا تنها بر یک منبع داده تمرکز داشتهاند یا در مقیاسهای محدود مکانی و زمانی انجام شدهاند؛ بنابراین هنوز شکافی در زمینه ارزیابی جامع و مقایسهای مدلها با استفاده از دادههای چندمنبعی وجود دارد. هدف این پژوهش، بررسی توانایی الگوریتمهای مختلف یادگیری ماشین در پیشبینی عملکرد گندم با بهرهگیری از دادههای اقلیمی، شاخص NDVI حاصل از سنجشازدور و همچنین ارزیابی قابلیت تعمیم این مدلها در شرایط مکانی و اقلیمی متفاوت بوده است.روشها: این پژوهش بر اساس دادههای چندمنبعی شامل متغیرهای اقلیمی و شاخص سنجشازدور NDVI انجام شد. مطالعه در ۹ منطقه مختلف در آلمان و در بازهای ۲۲ساله صورتگرفته و بدین ترتیب امکان بررسی تغییرات مکانی و زمانی عملکرد گندم فراهم شده است. در این تحقیق از الگوریتمهای XGBoost، Random Forest و Ridge Regression برای پیشبینی عملکرد گندم استفاده شده است. از میان متغیرهای مؤثر، شاخص NDVI و تنش تبخیری از جمله عوامل مهم در تحلیل مدلها بودهاند. عملکرد مدلها از نظر دقت پیشبینی و میزان خطا مورد ارزیابی قرار گرفته و شاخصهایی مانند ضریب تعیین، ریشه میانگین مربعات خطا و میانگین خطای مطلق برای مقایسه نتایج استفاده شدهاند. طراحی مطالعه بهگونهای بوده که علاوه بر تحلیل دادهها، امکان مقایسه عملکرد مدلهای کلاسیک و پیشرفته در سطح منطقهای نیز فراهم شود.یافتهها: نتایج پژوهش نشان داد که الگوریتم XGBoost نسبت به دو مدل Random Forest و Ridge Regression عملکرد بهتری در پیشبینی عملکرد گندم داشته است. این مدل توانست الگوهای فضایی و زمانی عملکرد را با خطای کمتر و قدرت تبیین بالاتر بازسازی کند. همچنین مشخص شد که متغیرهای NDVI، تنش تبخیری نقش مهمی در شکلگیری الگوهای عملکرد دارند. در مناطق یکنواختتر و پربازدهتر، دقت مدل بالاتر بود، درحالیکه در مناطقی با ناهمگنی محیطی بیشتر، مانند برخی نواحی خاص، خطای پیشبینی افزایش یافت. باوجوداین، روند کلی نشان داد که روشهای یادگیری ماشین، بهویژه مدلهای مبتنی بر تقویت گرادیان، توان بالایی در شناسایی روابط پیچیده بین عوامل محیطی و عملکرد محصول دارند.نتیجهگیری: در مجموع، نتایج این پژوهش نشان میدهد که ترکیب دادههای سنجشازدور و اقلیمی همراه با الگوریتمهای پیشرفته یادگیری ماشین میتواند ابزاری مؤثر برای پیشبینی عملکرد گندم و پشتیبانی از تصمیمگیری در کشاورزی هوشمند باشد. برتری XGBoost نسبت به سایر مدلها حاکی از آن است که مدلهای مبتنی بر یادگیری ماشین توانایی بالایی در تحلیل روابط غیرخطی و چندبعدی موجود در دادههای کشاورزی دارند. بااینحال، محدودیتهایی نیز وجود دارد؛ از جمله نبود دادههای مدیریتی مزرعه مانند تاریخ کاشت، نوع رقم، میزان آبیاری و مصرف کود، و نبود دادههای خاکی با تفکیک مکانی و زمانی کافی برای ورود به مدل نهایی، از محدودیتهای پژوهش حاضر بودند. همچنین استفاده از مدلهای پیچیدهتر ممکن است در شرایط داده محدود با خطر بیشبرازش همراه باشد؛ بنابراین، پیشنهاد میشود در پژوهشهای آینده از مجموعهدادههای کاملتر، مدلهای هیبریدی فضایی - زمانی و روشهای پیشرفتهتر مانند شبکههای عصبی بازگشتی و کانولوشنی استفاده شود. این رویکرد میتواند به افزایش دقت پیشبینی، تعمیمپذیری بیشتر و کاربرد عملی بهتر در مدیریت پایدار کشاورزی و امنیت غذایی کمک کند.
